index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html
![]()
本文深入探讨了人脑智能的进化路径与人工智能的工程化设计路径，揭示了两者在功能表现上的相似性及本质差异。文章指出，人脑智能是自然选择的“修补”杰作，而人工智能是目标驱动的工程化产物。尽管生成机制不同，两者在解决信息处理等挑战时展现出趋同性。未来，人工智能将借鉴人脑的自适应性与灵活性，同时反哺神经科学研究，并有望通过脑机接口、类脑计算等技术实现深度融合，共同塑造智能发展的新未来。
🧠 **人脑智能的进化路径：** 人脑智能并非设计产物，而是历经数十亿年自然选择的“修补”过程。从早期简单的神经网络到复杂的新皮层，其发展基于随机变异和环境适应，展现出强大的功能性和适应性，但过程漫长且无明确目标。
💻 **人工智能的工程化设计路径：** 人工智能是人类以明确目标为导向的工程化产物，通过符号主义、机器学习和深度学习等方法，以数学模型和计算工具进行精确优化，发展效率远高于生物进化，擅长解决特定任务。
🤝 **智能的趋同与融合：** 尽管生成机制迥异，人脑智能与人工智能在解决信息处理等挑战时展现出功能上的相似性（趋同）。未来，人工智能将借鉴人脑的灵活性，如高效学习和记忆整合能力，同时反哺神经科学。脑机接口、类脑计算等技术将促进两者深度融合，共同推动智能发展的新纪元。
刘泉影等 2025-09-21 13:20 北京
文末留言，即有机会免费获得本书
智能，是人类对世界最深刻、最持久的探索之一。从人脑智能到人工智能，这两种截然不同的路径，分别展现了自然进化的试错积累与人类工程化的目标驱动。人脑智能与人工智能的交汇将可能带来深远的变革。一方面，人工智能正在帮助我们更深入地理解大脑的运行机制，例如通过计算模型模拟神经活动，揭示复杂认知过程中的深层规律；另一方面，人脑的复杂性与灵活性也为人工智能的设计提供了重要灵感，比如如何让AI实现更高效的学习能力与动态适应性。这种双向启发正在推动一种“智能融合”的趋势：既是科学与工程的交汇，也是自然与技术的对话。
文末留言你对“人脑智能与人工智能”这一话题的想法，我们会选取点赞前三名免费赠书！
关键词：人工智能、人脑智能
刘泉影、曲由之、魏晨、梁智超丨作者
目录第1章 绪论第2章 AI基础第3章 视觉系统第4章 听觉系统第5章 嗅觉系统第6章 感知觉系统第7章 运动系统第8章 情绪第9章 语言第10章 睡眠与梦第11章 多模态神经信号处理第12章 神经数据的预训练模型第13章 大脑中的潜在表征第14章 神经科学中的生成模型第15章 人工智能赋能神经科学第16章 脑网络建模第17章 脑结构、脑功能、行为的关系第18章 数字孪生脑第19章 基于模型的神经调控第20章 通往智能之路：人脑智能与人工智能
1. 引言
智能，是人类对世界最深刻、最持久的探索之一。从自然界的演化到人类的创造，我们既能在生物大脑中感受到自然选择的奇迹，也能通过工程设计去模仿和重构智能的过程。从人脑智能到人工智能，这两种截然不同的路径，分别展现了自然进化的试错积累与人类工程化的目标驱动。人脑智能是自然选择的产物，经过数十亿年的生命演化，通过无数次试探与适应，逐步发展为今天的奇迹；人工智能则是人类依靠技术与计算描绘的蓝图，通过数学模型与优化算法，一步步逼近“智能化”的目标[1]。尽管两者的起源截然不同，但当我们仔细观察它们的功能时，却会惊讶地发现它们之间存在某种耐人寻味的相似性。正是这种相似性，让智能研究不仅成为科学探索的重要领域，也让它充满了无尽的想象空间。大脑的智能并非源于有计划的创造，而是漫长进化的结果。进化的过程就像一位不知疲倦的“匠人”与修补，在看似无序的探索中累积出了惊人的复杂性与高效性。大脑的功能经过亿万年的自然选择，被优化为适应环境的完美工具：它能感知外界、处理信息、适应变化，甚至具备抽象思维的能力。其核心特性之一——神经元的分层结构与动态连接机制——便是这种无目标进化带来的奇妙设计[2]。正是这些特性，使得大脑不仅成为生命体在复杂环境中生存的关键，同时也成为研究智能的最佳样本。与人脑智能的演化路径不同，人工智能的发展起点是明确的目标。科学家们用高度工程化的方式，从具体问题出发，设计目标函数，优化算法，通过数学与计算工具让人工智能“解决问题”。例如，近年来，AI的发展越来越依赖于大规模数据集和超大规模模型，类似于生物进化过程中神经元数量的增加与大脑体积的扩展。这种规模化的演进，使得AI在计算能力和信息处理方式上逐步逼近生物智能的复杂性。此外，卷积神经网络的分层结构与大脑视觉皮层的层级处理方式高度相似[3]，而基于Transformer的大模型在表征学习上的进步，也展现出与人类认知机制相呼应的特征[4]。这些相似性并非源于直接模仿，而是智能系统在处理复杂任务时自然收敛出的有效模式。这种现象可以用“趋同进化”来类比。在生物学中，趋同进化指完全不同的物种在类似环境中独立进化出相似的特征。同样，人脑智能与人工智能虽生成机制迥然不同，却在功能层面展现出令人惊叹的相似性。它们都面对着类似的挑战：如何高效处理复杂的信息，如何快速适应多变的环境，以及如何解决高度复杂的问题。正是这些相似的功能需求，可能让两者以各自独特的路径，达成了某种相近的结果。这种趋同现象不仅让我们看到自然与人工的交汇点，也为进一步探索智能的本质与边界提供了崭新的视角。展望未来，人脑智能与人工智能的交汇将可能带来深远的变革。一方面，人工智能正在帮助我们更深入地理解大脑的运行机制，例如通过计算模型模拟神经活动，揭示复杂认知过程中的深层规律；另一方面，人脑的复杂性与灵活性也为人工智能的设计提供了重要灵感，比如如何让AI实现更高效的学习能力与动态适应性。这种双向启发正在推动一种“智能融合”的趋势：既是科学与工程的交汇，也是自然与技术的对话。在接下来的章节中，我们将深入探讨人脑智能与人工智能的独特路径，它们之间的异同，以及它们在未来如何走向融合，共同塑造智能发展的新未来。2. 智能的起源：进化与工程化
2.1 人脑智能的进化路径
人脑智能的形成是自然进化的一个奇迹（图1）。它并非源于有意的设计，而是经过数十亿年的自然选择，通过无数次试错与优化逐步形成的结果。科学研究通过化石记录、生物学观察和分子生物学的分析，逐渐揭示了人脑智能从简单到复杂的进化路径。最早的神经系统雏形可以追溯到6亿年前的寒武纪大爆发时期，当时的多细胞生物首次演化出简单的神经网络，用于感知环境和驱动基本行为[5]。刺胞动物（如水母和海葵）是这种原始神经网络的现代代表，它们的神经系统没有中枢，仅依靠分布式的神经元网络协调运动和反应[6]。这些早期神经网络的形成并非凭空产生，而是基于单细胞生物早已存在的化学信号传递机制。单细胞生物通过分泌和感知化学分子，与环境和其他细胞进行交流的能力，为神经元之间的通信提供了生物学基础。这种信号传递机制在多细胞生物中逐渐被改造和优化，最终演变为早期的神经网络。随着生命形式的复杂化，神经系统逐渐发展出集中化的控制结构，即中枢神经系统。脊索动物是这一转变过程中一个关键的阶段，文昌鱼作为现代脊索动物的典型代表，其神经管结构展示了脊椎动物中枢神经系统的早期状态。化石证据显示，5亿年前的头甲鱼类已经具备了初步的大脑分区，包括前脑、中脑和后脑[7]。这些分区是现代脊椎动物大脑的雏形，标志着神经信号集中处理能力的形成。特别是前脑的扩展被认为是生物体感知和适应复杂环境的重要一步，使得生物能够进行更精细的行为决策。图1 生物脑的进化哺乳动物的大脑在此基础上实现了进一步的飞跃，最显著的变化体现在新皮层的形成与扩展上[8]。新皮层是一种高度层级化的结构，负责处理高级感知、抽象思维和社会行为。科学研究表明，新皮层的扩展与哺乳动物需要适应多样化环境的需求密切相关。例如，一些研究指出，哺乳动物祖先在夜间活动的习性可能推动了新皮层中视觉和听觉处理区域的进化，以应对低光环境中的复杂感知需求。这种扩展不仅提高了哺乳动物的适应能力，也为后来的灵长类和人类的大脑复杂化奠定了基础。在人类身上，大脑的演化展现了进一步的特殊性。通过化石记录可以看到，早期人类的脑容量在200万年前开始快速增长，例如直立人的脑容量从约600 mL增长到现代智人的1400 mL[9]。这种增长与复杂工具的使用、语言的出现以及社会组织的扩大密切相关。前额叶皮层的扩展尤其重要，它为人类的计划能力、推理能力和社会行为提供了生物学基础。同时，人类大脑的高能耗特性也体现了进化中的“权衡选择”。尽管大脑仅占人体总重量的2%，却消耗了全身约20%的能量。这种能量密集型结构可能与人类食物来源的变化有关。例如，“昂贵组织假说”认为，人类通过减少消化系统的能量分配（例如缩短肠道长度），为大脑的快速发展释放了更多能量。分子生物学的研究也进一步为大脑进化提供了新的视角。例如，FOXP2基因被认为在人类语言能力的进化中起到了关键作用[10]。通过比较人类和黑猩猩的基因组，研究者发现FOXP2的某些突变与语言相关的脑区发育密切相关。同样，ASPM和MCPH1等基因的突变被认为是人类大脑体积快速扩展的重要分子基础。这些遗传学研究揭示了大脑进化中关键分子机制的运作方式，为理解复杂智能的起源提供了重要线索。人脑的复杂性和功能性常常让人误以为它的形成是一个目标明确的过程，仿佛进化的方向就是要创造出能够进行抽象思维和复杂信息处理的智能系统。但实际上，进化并没有任何预设的目标，它的过程是盲目且偶然的，只是通过自然选择保留下了更适应环境的特性，而这些特性在长期积累中展现出了令人惊叹的复杂性。正如弗朗索瓦·雅各布（François Jacob）提出的“修修补补”（tinkering）理论所描述的，生物的演化并不像工程师设计机器那样从零开始，而是利用现有的材料，在环境压力的驱动下不断调整和优化，最终形成了精妙的结构和功能[11]。在“修修补补”的进化过程中，随机变异提供了变化的基础，而自然选择则是决定哪些变异能够被保留的核心机制。这一过程没有明确的方向，也不会朝着特定目标迈进，而是通过适应性筛选逐步累积有利特性。例如，早期动物简单的神经网络并不是为了未来的复杂认知功能而产生的，而是为了应对生存中的直接需求，包括感知环境中的光、化学信号或机械刺激等。这些基本的神经功能逐渐被扩展、改造，在亿万年的演化中演变出今天复杂的大脑。每一步变化都受到当前环境需求的驱动，而非为最终目标设计。然而，尽管进化是无目标的，大脑的功能却让人感到它似乎表现出某种“隐性目标性”。这种错觉源于自然选择的优化作用，它总是倾向于保留那些在特定环境中具备优势的特性，结果是许多看似完美的结构和功能被保留下来。例如，人类大脑的分层结构和分布式处理能力并非设计的产物，但这种特性极大地提升了处理信息的效率，使人类能够在复杂多变的环境中快速做出决策。于是，从功能表现的角度看，大脑的许多特性似乎是在为高效运转而“设计”的，但实际上，这只是漫长试错过程的意外成果。另外，这种“目标性”的表象也得益于环境需求对功能的趋同塑造。在生物学的趋同进化现象中，不同物种在相似的环境压力下可能独立进化出相似的功能。如图2所示，鱼类、海豚和企鹅在水中游动时都进化出了流线型的身体，尽管它们的祖先和进化路径不完全相同。同样，大脑的复杂性和高效性也是环境压力下功能趋同的结果。例如，为了更高效地适应复杂环境，早期哺乳动物的中枢神经系统扩展了感知和信息整合能力，而人类在社会需求的驱动下进一步发展了语言、工具使用等能力。这些复杂功能并非有目的的进化结果，而是适应需求在漫长时间内不断累积的产物。正是进化的这种“修修补补”特性，使得大脑的许多功能建立在对已有结构的重新利用之上，而非完全重新设计。例如，人类的语言能力并非由大脑专门为语言进化出全新的区域，而是基于早期用于动作规划和手势交流的神经区域，如布罗卡区和韦尼克区。这些区域最初可能负责控制复杂动作和声音识别，但随着语言交流需求的增加，它们被“借用”并进一步扩展，最终形成了支持复杂语言加工的功能。同样，海马体原本可能主要用于空间导航和觅食行为，但随着记忆需求的增加，其功能逐渐扩展为处理情景记忆和抽象记忆。这些例子显示，大脑的复杂功能往往来源于对现有结构的灵活调整，而不是目标明确的设计，这正是进化中偶然性和适应性结合的体现。图2 水生动物的趋同进化因此，尽管人脑智能看起来像是一个“设计精妙”的系统，但实际上，它是自然选择在盲目试探中的意外杰作。理解这种无目标的进化逻辑，能够帮助我们摆脱对设计的直觉误解，并更好地理解生命系统如何通过随机变异和适应性优化创造出复杂的功能结构。这不仅揭示了生命进化的本质，也为我们研究人工智能提供了一个新的视角：智能不一定需要由目标驱动的设计来实现，它也可以通过不断的试错和调整逐步形成复杂而强大的功能体系。2.2 人工智能的工程化设计路径人工智能的发展路径与人脑智能的进化形成了鲜明的对比。生物智能是自然选择在漫长的试错过程中逐步累积的结果，既无预设目标也无工程规划；而人工智能则是人类设计和建造的产物，以明确的目标为导向，通过数学模型和工程方法精确优化。人工智能的设计路径高度系统化，体现出工程学的特征：从问题的提出到系统的实现，始终围绕着功能需求展开。正因如此，人工智能的发展效率远高于生物进化，它在短短几十年内取得了巨大的技术突破。这种目标驱动、工程化的特性不仅塑造了人工智能的发展过程，也决定了其与人脑智能的本质差异。人工智能的早期发展主要以符号主义为核心，试图通过逻辑和规则模拟人类的推理能力[12]。20世纪50年代，人工智能研究构建了基于符号操作的系统，如专家系统MYCIN和DENDRAL，分别用于医学诊断和化学分子结构推断。它们依赖明确的规则进行推理，体现了人工智能目标明确、工程可控的特性。然而，符号主义的局限性很快显现，规则系统严重依赖领域专家的知识编码，面对复杂、不确定的问题时难以扩展，例如MYCIN无法应对知识规则之外的新病症或模糊输入，这促使人工智能逐步从基于规则的系统转向更为灵活的数据驱动方法。20世纪80到90年代，人工智能进入“数据驱动”阶段，机器学习技术逐渐取代符号主义，其核心理念是让系统从数据中自动提取规律，而非依赖手工编码的规则。支持向量机（SVM）和随机森林等模型在这一阶段得到广泛应用[13]，SVM擅长分类任务，而随机森林利用多棵决策树的投票机制提高鲁棒性和精度。机器学习的兴起得益于目标函数优化思想的引入，例如最小化分类错误率或最大化预测准确度，梯度下降算法的广泛应用提升了优化效率，尤其在处理高维数据时优势明显[14]。这一时期，人工智能技术通过数据、算法和计算能力的结合，快速适应不同应用场景，并在任务性能上持续提升。进入21世纪，深度学习推动人工智能进入新纪元，基于多层神经网络的模型通过层级抽象提取数据的高维特征，极大提升了处理复杂任务的能力。CNN通过卷积和池化操作，在图像分类、目标检测等任务中取得突破，例如ImageNet大赛上的高精度识别成果。同样，RNN及其变体（如LSTM）在语音识别和自然语言处理等时间序列任务上展现了强大能力。近年来，Transformer结构的提出推动了基础大模型的发展，GPT、BERT等基于自注意力机制的模型显著提升了语言理解与生成能力，并展现出“智能涌现”现象，即随着参数规模增长，模型的多任务泛化能力显著增强[15]。Scaling Law研究表明，增加数据和计算资源可带来性能的稳定提升，这一趋势在GPT-3、PaLM等大模型中得到验证[16]。尽管这些模型在一定程度上受到生物神经网络的启发，但它们完全依赖数学优化和反向传播算法，体现出强烈的工程化特性。人工智能的设计过程中，模块化是其工程特性的核心体现（图3）。与生物智能中复杂系统通过长时间积累逐步优化的“修修补补”方式不同，人工智能系统通常被从一开始就设计为多个功能明确的模块，每个模块独立完成特定任务。这种模块化设计不仅提升了开发效率，还使得系统功能的扩展和维护更加方便。例如，自然语言处理系统通常包括分词、句法分析、语义理解和文本生成等多个模块，每一部分都可以被单独优化或替换。这种模块化设计不仅允许不同模块相对独立地运行，还为开发者提供了将系统的各个部分像拼接积木一样重新组合的灵活性，从而快速适应不同应用场景。模块化设计背后的工程逻辑强调的是功能的清晰分解与实现可控性，这种设计方式已经成为人工智能高效发展的重要基础。3人工智能的模块化设计尽管人工智能以模块化设计推动了快速发展，其运行表现却展现出了一定程度的复杂性和不可预测性。在对抗性样本的研究中，这种复杂性尤为明显。微小的输入扰动可以导致人工智能模型输出完全错误的结果，即使这些扰动对人类来说完全不可察觉[17]。例如，一个在图像上添加肉眼无法区分的噪声的对抗性样本可能会导致分类模型将一张“熊猫”的图像误判为“长臂猿”。这一现象表明，人工智能模型的性能不仅依赖于设计目标，还深受数据质量和输入变化的影响。这种敏感性和脆弱性揭示了人工智能系统在面对非理想输入时的局限，也表明其行为并非完全可控。另一方面，人工智能系统的复杂性还体现在其与动态环境的交互中。例如，强化学习算法通常会在动态环境中“发现”优化策略，这些策略有时可能与设计者的目标一致，但在某些情况下可能表现出违背设计初衷的行为。经典的例子包括某些强化学习算法在游戏训练中“作弊”，它们不是按照设计者预期的方式优化策略，而是通过不寻常的路径实现了目标，例如利用环境中的漏洞或模型自身的缺陷。这种复杂性并非系统设计的直接结果，而是人工智能系统在与环境和数据的长期交互中自然涌现的特性。模块化和高效迭代是人工智能系统的优势，但也凸显了其独特的局限性。人工智能系统的表现高度依赖开发者的目标定义和训练数据的质量。例如，一个推荐系统的优化目标是最大化点击率，但如果目标函数未能正确涵盖用户的长期满意度，系统可能会引导用户陷入“点击诱导”的短期行为循环。同样，在未知环境中，缺乏对新数据和动态变化的适应能力是人工智能的另一个瓶颈。相比之下，生物智能通过漫长的进化积累和环境适应，形成了更具弹性和灵活性的应对机制。这种差异表明，人工智能更像是一个高效的工具，能够快速完成特定任务，但在面对复杂、多变的情境时，其适应性远逊于生物智能。尽管人工智能的局限性显而易见，但它为理解智能的本质提供了全新的视角，也为未来智能形式的探索指明了方向。目标驱动、模块化设计和工具化开发使得人工智能发展迅速、高效，并展现出极高的可控性。然而，人工智能的不可预测性和对数据的强依赖也表明，仅靠工程化设计并不足以实现全面的智能系统。在未来，人工智能的发展或将深度借鉴生物智能的适应性和灵活性，特别是在多任务处理和知识迁移泛化等关键能力方面。此外，双向脑机接口技术通过将生物大脑与人工系统连接，为实现生物智能与人工系统的协同进化提供了潜在通路。2.3 进化与工程化的趋同人脑智能的进化与人工智能的工程化设计代表了自然与人为两种截然不同的智能生成路径。但对比两者的异同，虽然路径不一样，但其展现出来的智能化结果，呈现出惊人的相似性。人脑智能是自然选择的产物，其形成过程漫长且盲目。进化并没有明确的目标，而是通过随机突变与自然选择的相互作用，逐步累积适应环境的特性。这种无目的的“修修补补”模式使得大脑的复杂性和功能性建立在已有结构的逐步优化和重新利用之上[11]。人脑智能的许多功能并非专门为当前的复杂认知任务而演化，而是从更基本的生存需求中逐步扩展而来。例如，大脑的神经网络最早可能仅用于感知和反应，但在漫长的进化中，这些基础功能被不断叠加和改造，最终形成支持抽象思维和高级认知的复杂系统。与此形成鲜明对比的是，人工智能的设计完全是目标导向的。人类通过明确的问题定义，从符号操作到统计学习，再到深度学习，人工智能的发展始终围绕着“解决特定任务”的核心展开。其工程化路径表现出高度系统化的特征，从目标函数的设定到算法的优化，设计者通过数学模型和数据驱动的技术手段，以高效、精准的方式实现了特定任务的智能化。这种目标驱动的特点使人工智能能够在短时间内取得技术突破，并展现出在解决单一问题时的卓越效率。尽管生成机制截然不同，人脑智能和人工智能在功能表现上却展现出某种趋同特性。这种“趋同进化”现象源于它们都需要解决类似的问题，例如高效处理环境中的复杂信息。大脑和人工智能在视觉处理方面展现了显著的功能相似性。卷积神经网络采用分层结构，通过逐层提取和整合特征，在图像识别中展现了生物视觉皮层的某些功能特征。同样，在处理时间序列信息时，循环神经网络展现出类似于大脑对序列信息的记忆和处理能力。然而，这种趋同性仅限于功能层面。人工智能的功能性是设计者明确优化目标函数的结果，而大脑的复杂功能则是环境适应和随机变异的长期积累。尽管人脑智能和人工智能在某些功能上表现出趋同，它们在系统复杂性的形成路径和适应性方面却存在显著差异。人脑智能的复杂性是“历史的遗留”，由自然选择通过对现有结构的修补逐步累积而成。尽管效率较低，但这一过程赋予了生物智能强大的适应能力。例如，人类大脑可以通过神经可塑性迅速调整功能结构，以应对环境的剧烈变化。而人工智能的复杂性更多依赖模块化设计的累积。模块化设计使人工智能能够快速迭代并适应多样化的需求，但其灵活性远不及生物智能。人工智能系统的表现高度依赖于训练数据，当数据分布发生变化时，其性能容易显著下降。此外，对抗性样本的研究表明，人工智能系统对微小扰动极为敏感，进一步暴露了其在动态环境中的局限性。人工智能的目标导向设计也使其在多目标权衡方面表现出不足。例如，一个推荐系统如果单纯优化点击率，可能忽略用户长期满意度，甚至导致“信息茧房”的形成。这种问题源于目标函数的单一性，而生物智能则通过长期进化形成了多目标的动态平衡机制。例如，人类大脑虽然耗能占比巨大，但这一权衡为个体提供了显著的认知和决策能力，增强了生存竞争力。这种多目标优化能力为人脑智能的适应性提供了重要保障。通过比较人脑智能与人工智能的异同，可以更清楚地看到两者在复杂功能生成上的优势和局限性。人脑智能通过自然选择的漫长积累形成了灵活而适应性极强的系统，而人工智能则通过工程化设计实现了高效且精准的功能模块化。尽管两者的生成逻辑截然不同，但它们在功能需求的塑造下展现出趋同性，为理解智能的本质提供了新的视角。3. 智能发展的未来：融合与创新
3.1 人脑智能启发人工智能人脑智能作为自然选择的杰作，其复杂性和高效性在信息处理、学习能力和适应性等方面展现了非凡的特质，这些特性为人工智能的发展提供了重要的灵感来源。尽管人工智能与大脑在生成逻辑和实现机制上存在本质差异，大脑的分层结构、自适应学习和分布式处理等特性已经在人工智能的设计中得到了成功的借鉴，推动了许多技术的突破。首先，大脑的分层结构和功能分区为人工智能的模块化设计提供了重要的启发。在生物大脑中，不同的脑区承担特定功能，例如视觉皮层中的V1、V2和V4等区域分别处理边缘、颜色和复杂形状的感知任务，同时将这些信息逐级传递以实现高级视觉认知。这种分层处理模式直接启发了CNN的设计。CNN的分层结构通过设计卷积和池化操作，自动学习并提取输入数据中的多层次特征。在实际训练过程中，CNN的第一层通常会捕捉简单的边缘信息或基本纹理，后续层则逐步组合这些低级特征，形成更复杂的模式（如形状或对象结构）。这种从简单到复杂的特征提取顺序并非设计者直接设定，而是CNN在优化目标函数过程中自发学习的结果。尽管如此，这种特性与生物视觉皮层分层处理信息的模式具有一定的对应性。类似地，RNN及其变体在序列信息处理中的设计同样受到了大脑的启发。大脑在处理语言或音乐等时间序列数据时，会利用记忆机制结合上下文信息，动态调整和更新对序列的理解。研究表明，海马体等区域在短期和长期记忆的转换中起到了关键作用。这一记忆机制为RNN的设计提供了理论基础。传统神经网络难以捕捉序列信息中的依赖关系，而RNN通过设计循环连接，允许系统利用前序状态的信息处理当前输入，模拟了大脑在序列整合中的能力。此外，LSTM通过引入“遗忘门”和“输入门”解决了长期依赖问题，其设计理念可以类比为大脑对重要信息的选择性记忆与过滤。这种基于大脑认知功能的改进，使人工智能在语音识别、机器翻译等任务中实现了突破性进展。其次，大脑的自适应学习能力为人工智能的学习算法提供了灵感。在生物大脑中，突触可塑性使得神经连接的强度可以根据经验动态调整，从而实现学习和记忆的积累[18]。这一机制被人工智能借鉴并实现为反向传播算法，后者通过不断调整神经网络权重来优化目标函数，推动了深度学习技术的快速发展。此外，神经科学对奖励回路（如多巴胺系统）的研究也为强化学习提供了理论基础[19]。在大脑中，奖励信号驱动学习行为，而强化学习算法通过设计奖励函数引导智能体在环境中不断优化策略。这种机制已被广泛应用于游戏AI、机器人控制等领域，例如DeepMind开发的AlphaGo便是通过强化学习在复杂策略环境中实现了自我优化。在硬件层面，大脑的低能耗特性也为人工智能硬件的开发提供了关键灵感[20]。生物大脑以极低的能耗完成了复杂的计算任务，约20 W的功率便支持了数以亿计的神经元活动。这一特性启发了类脑芯片的设计。例如，IBM的TrueNorth芯片模仿了生物神经元和突触的结构，其核心由数百万个电子神经元和突触组成，以超低功耗完成了神经网络的推理计算。同样，Intel的Loihi芯片通过事件驱动的方式模拟神经活动，在能效和计算性能上取得了平衡。这些类脑芯片不仅展示了硬件设计领域的前沿进展，也为解决当前人工智能模型高能耗的问题提供了潜在方案[21]。尽管人工智能从人脑智能中汲取了许多灵感，并取得了巨大的技术突破，但生物大脑的一些关键特性仍未被充分借鉴或实现，这些特性将是未来人工智能研究的重要方向。高效学习与少样本学习是人工智能的重要研究方向。人类大脑能够通过少量的样本迅速学习新知识，例如儿童只需接触几次新物体即可准确辨认。大脑的这种能力依赖于上下文信息的利用和对已有知识的迁移。相比之下，人工智能模型在训练时通常需要依赖大量数据，否则会显现出明显的性能下降。迁移学习和元学习等技术正在尝试缩短这一差距。迁移学习将已学到的知识应用于新任务，减少数据需求；元学习则通过“学习如何学习”提升模型对新任务的适应速度。然而，这些方法在广泛应用中仍有较大局限，与生物大脑的高效学习能力相比尚存明显差距。记忆整合与抽象推理是人工智能的另一大短板。人类大脑能够将短期记忆转化为长期记忆，并将多种信息整合后进行抽象推理。这一过程由海马体和前额叶皮层协作完成，是大脑处理复杂信息的关键机制[22]。人工智能在这一方面的能力仍较为有限。目前，一些新兴技术试图通过记忆网络或强化学习中的记忆模块模拟这种能力，但大多数模型依然以单一任务为中心，缺乏整合多领域信息和抽象推理的能力。要实现跨领域的综合智能，人工智能需要在记忆持久性、信息整合和逻辑推理能力上向大脑学习。大脑的自主性与创造力是人工智能仍未完全掌握的领域。人类大脑能够生成全新的想法，并自主解决未被明确指示的问题。这种创造力依赖于大脑的信息整合和探索能力。生成式人工智能（如GPT系列）已经展示了初步的创造性能力，但目前仍主要基于已有数据的统计模式生成内容，缺乏真正的自主性和创造力。此外，现有AI仍然存在幻觉和谄媚等问题，前者导致AI生成错误或虚假信息，后者使AI迎合用户偏见而非提供准确答案。这些问题限制了AI在复杂推理、科学发现等领域的可靠性，如何增强AI的真实性、批判性思维和自主探索能力，将是未来的重要挑战。人脑智能展现了自然进化的奇迹，而人工智能通过工程化的方法实现了快速发展。人工智能已经从人脑智能中借鉴了许多特性，包括分层结构、自适应学习和低能耗设计，推动了技术进步的同时，也彰显了两者在机制上的本质差异。然而，人工智能在高效学习、记忆整合、多目标权衡等方面仍存在明显不足，这些领域蕴含着进一步发展的潜力。通过持续深入地研究生物智能的特性，人工智能的未来将更加高效灵活，能够应对更加复杂的任务和环境。3.2 人工智能反哺神经科学人工智能的发展不仅从生物智能中汲取了灵感，还通过其独特的技术能力反过来推动了神经科学的研究。人工智能的建模方法和数据处理能力为神经科学提供了新的工具和视角，使得对大脑复杂功能的研究变得更加精确、高效。首先，人工智能在神经科学中最直接的应用是神经活动的建模与模拟。深度学习模型（如人工神经网络）为研究大脑的神经活动提供了强大的计算框架。通过模拟神经元及其网络连接，研究者能够更好地理解大脑如何处理信息。例如，CNN不仅受到视觉皮层的启发，反过来也被用于解释视觉皮层的功能分区和信息传递机制。科学家将CNN模型应用于神经影像数据分析，通过对视觉刺激和神经元响应之间关系的建模，更加清晰地揭示了视觉系统中的层次性特征提取机制[3]。此外，RNN也被用于模拟大脑处理时间序列数据的过程，例如探索语言中句法和语义的时间整合机制。这些模拟研究不仅帮助神经科学家验证了大脑的假说，还提供了新颖的理论框架来解释复杂的神经活动[23]。其次，人工智能在脑数据分析中展现了巨大的潜力。现代神经科学依赖于大量的数据，例如功能磁共振成像、脑电图和单细胞记录等，这些数据通常规模庞大且维度复杂。传统的统计学方法在处理这些数据时往往面临性能瓶颈，而人工智能的算法能够在海量数据中自动提取特征并识别潜在的模式。例如，深度学习算法被用来从fMRI数据中识别脑区间的功能连接模式，从而帮助研究者揭示大脑网络在认知和疾病中的作用。类似地，机器学习技术被用于预测神经退行性疾病（如阿尔茨海默病）的早期病理变化，通过从神经影像数据中提取异常模式，为早期诊断提供支持[24]。这些算法的引入显著提升了神经科学研究的效率和精度。人工智能还推动了神经编码与解码技术的发展，为研究大脑如何表示和处理信息提供了重要工具。神经编码问题关注外界刺激如何被神经系统表征，而神经解码问题则研究如何从神经活动中重建外界信息。例如，深度学习模型被用于脑机接口技术的开发，通过解码运动皮层的神经信号，实现对外部设备的精准控制。一些最新研究甚至利用生成式人工智能从视觉皮层的神经活动重建视觉图像，从而揭示了大脑在视觉感知中的信息表示方式[25]。这些成果不仅加深了对神经编码与解码的理解，还为神经工程学的发展开辟了新的道路。人工智能在神经科学中的另一重要贡献是对大脑机制的理论建模。神经科学中许多基本问题（如大脑如何进行决策、记忆的生物学基础）仍未得到全面解答，而人工智能模型为这些问题提供了理论假设和实验验证的框架。例如，强化学习模型被广泛用于研究大脑的奖励机制。通过将强化学习算法与神经影像数据结合，研究者发现多巴胺系统在奖励预测误差中的关键作用。这一模型不仅验证了奖励学习的神经基础，还推动了对精神疾病（如抑郁症、成瘾行为）的机制研究。综上所述，人工智能的工具化和理论化能力正不断推动神经科学的进步。从神经活动建模到脑数据分析，从神经编码解码到复杂系统研究，人工智能不仅提供了新的技术手段，还推动了神经科学理论的发展。这种交叉领域的合作，不仅加深了对人脑智能的理解，也为人工智能的未来发展提供了更多灵感与可能性。3.3 人脑智能与人工智能的融合之路人脑智能与人工智能的融合，是人类探索智能本质、扩展智能边界的重要方向。这两种智能形式分别代表了自然进化的奇迹与工程设计的卓越成就，在生成机制和功能特点上展现出显著差异。然而，随着脑科学与人工智能技术的快速发展，二者的交汇正逐步形成一条深度融合之路，为未来智能系统的进化开辟全新的可能性。大语言模型取得了空前的进步，展现了强大的语言处理能力和处理复杂知识能力。LLMs涌现出的高级认知功能，例如上下文学习和复杂推理能力，预示着大语言模型可能是通往通用人工智能的有效途径。然而，目前我们缺乏科学理论来解释大语言模型的高级智能是如何被训练出来的，也缺乏评估工具来量化不同阶段的大语言模型的通用智能水平。尽管认知科学最近开始被引入对大语言模型认知水平和智能的研究中，但是这样的研究尚处于萌芽阶段，认知科学与大语言模型之间的互动并没有受到足够的重视。脑机接口技术是人脑智能与人工智能融合的重要纽带，它通过直接读取和解码大脑的神经信号，实现人与人工智能系统的无缝交互。例如，Neuralink开发的高分辨率脑机接口设备能够捕获大脑皮层的神经活动，并将其转化为对外部设备的精确控制。在医疗领域，该技术正在帮助瘫痪患者通过脑信号操控假肢或计算机，同时在增强人类能力方面也展现出巨大潜力。人工智能在脑机接口系统中发挥着至关重要的作用。通过深度学习算法，人工智能能够建模并分析神经信号，提取有效模式并将其转化为可执行的操作指令。例如，在运动控制、语言识别等任务中，人工智能可学习并优化人类大脑的信号翻译，提高交互的精准度和自然性。未来，随着脑机接口技术的进一步突破，这种交互形式有望突破传统人机交互模式，使人类直接扩展记忆、计算、创造等认知能力，为智能融合打开全新的可能性。类脑计算是人工智能迈向生物智能的重要尝试之一。通过模拟大脑神经元与突触的工作机制，类脑计算在硬件层面实现了更高效的信息处理。例如，类脑芯片采用神经形态设计，模仿大脑的分布式处理方式与突触可塑性，显著降低计算能耗，同时提升计算效率。这些硬件突破不仅提升了人工智能系统的计算能力，也为研究大脑工作机制提供了全新的平台。例如，神经形态计算系统可以模拟大规模神经网络活动，帮助科学家更深入地理解感知、学习和决策的复杂过程。随着类脑计算技术的发展，这种基于生物启发的计算模式可能逐步改变传统人工智能的架构，使智能系统更加灵活高效，从而推动人工智能向更接近人类智慧的方向发展。智能协同系统进一步推动了人脑智能与人工智能的结合。通过整合生物智能的灵活性与人工智能的高效性，这种系统创造了一种全新的智能形式。例如，结合脑机接口和人工智能的增强现实技术正在广泛应用于教育、医疗和娱乐等领域。在教育领域，学生可以通过脑信号实时与个性化教学系统互动，而人工智能能够根据神经信号动态调整教学内容，提高学习效率。在医疗领域，外科医生可以利用脑机接口控制手术机器人，并结合虚拟现实技术可视化患者的内部结构，从而大幅提升手术的精准度与安全性。这种智能协同系统不仅改变了传统的人机交互方式，也为复杂任务提供了更全面的智能化解决方案。人工智能的建模与分析能力，正不断深化人类对大脑工作的理解。例如，强化学习模型帮助科学家揭示了大脑奖励机制的核心原理，解释了多巴胺系统如何通过奖励预测误差优化学习过程。此外，深度学习技术被广泛应用于神经影像数据分析，揭示了大脑在视觉感知、语言处理等认知功能中的信息整合模式。这种反哺关系不仅促进了神经科学的进步，同时也为人工智能的发展提供了新的灵感。未来，人工智能与神经科学的相互促进可能进一步模糊二者的界限，推动智能系统向更高层次进化。尽管人脑智能与人工智能的融合充满机遇，但其发展仍然面临诸多挑战。脑机接口的技术成熟度、类脑计算的商业化应用、以及智能协同系统的稳定性，都需要克服一系列技术瓶颈。同时，随着智能系统的普及，隐私、安全与伦理问题也变得日益突出。例如，脑机接口可能涉及神经数据的滥用风险，如何确保用户隐私不被侵犯？人工智能系统可能受到数据偏见的影响，导致决策不公，而这些数据往往主要来源于发达地区，如何保障技术的公平性？此外，智能融合带来的社会变革可能加剧社会分化，如何确保技术发展与社会利益相协调？这些问题需要科学家、政策制定者及社会各界共同探讨，制定合理的监管框架，以平衡技术进步与伦理责任。展望未来，人脑智能与人工智能的融合不仅是技术发展的趋势，更是智能演化的新阶段。人工智能正在逐步融入人们的日常生活，从语音助手、智能医疗到自动驾驶，智能技术的渗透正在重塑人类社会的运行方式。然而，真正的智能进化不止于此。随着脑机接口技术的成熟，人类可能通过人工智能直接增强自身认知能力，使记忆、计算和创造能力得到指数级提升。类脑计算的进步将进一步缩小人工智能与生物智能的差距，使机器更接近人类的学习方式和认知模式。而智能协同系统的发展，则将推动人工智能与人类智能深度融合，使个体能力得以扩展，群体智慧得以优化，最终推动整个社会向更高层次的智能文明迈进。总之，人脑智能与人工智能的融合之路，不仅为人类探索智能的本质提供了新的视角，也为未来智能系统的构建带来了前所未有的机遇。如何在技术突破的同时，兼顾社会需求与伦理考量，将是决定智能融合未来走向的关键。在这条融合之路上，人类正逐步迈向更高智能水平的新时代。购买链接：作者目前开启快团团通道，购买者可获取To签版本，记得在备注填写“名字+希望收到的话”（70元/本，包邮签名版）。LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.Felleman D J, Van Essen D C. Distributed hierarchical processing in the primate cerebral cortex[J]. Cerebral Cortex (New York, NY: 1991), 1991, 1(1): 1-47.Yamins D L K, DiCarlo J J. Using goal-driven deep learning models to understand sensory cortex[J]. Nature Neuroscience, 2016, 19(3): 356-365.Hassabis D, Kumaran D, Summerfield C, et al. Neuroscience-inspired artificial intelligence[J]. Neuron, 2017, 95(2): 245-258.Holland N D. Early central nervous system evolution: an era of skin brains?[J]. Nature Reviews Neuroscience, 2003, 4(8): 617-627.Mackie G O. Central neural circuitry in the jellyfish Aglantha: a model ‘simple nervous system’[J]. Neurosignals, 2004, 13(1-2): 5-19.Butler A B, Hodos W. Comparative vertebrate neuroanatomy: evolution and adaptation[M]. John Wiley & Sons, 2005.Krubitzer L, Kaas J. The evolution of the neocortex in mammals: how is phenotypic diversity generated?[J]. Current opinion in neurobiology, 2005, 15(4): 444-453.Herculano-Houzel S. The remarkable, yet not extraordinary, human brain as a scaled-up primate brain and its associated cost[J]. Proceedings of the National Academy of Sciences, 2012, 109(supplement_1): 10661-10668.Enard W, Przeworski M, Fisher S E, et al. Molecular evolution of FOXP2, a gene involved in speech and language[J]. Nature, 2002, 418(6900): 869-872.Jacob F. Evolution and tinkering[J]. Science, 1977, 196(4295): 1161-1166.Newell A, Simon H A. Computer science as empirical inquiry: Symbols and search[M]//ACM Turing award lectures. 2007: 1975.Cortes C, Vapnik V. Support-vector networks[J]. Machine learning, 1995, 20(3): 273-297.LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 2002, 86(11): 2278-2324.Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in neural information processing systems, 2017, 30.Kaplan J, McCandlish S, Henighan T, et al. Scaling laws for neural language models[J]. arXiv preprint arXiv:2001.08361, 2020.Goodfellow I J, Shlens J, Szegedy C. Explaining and harnessing adversarial examples[J]. arXiv preprint arXiv:1412.6572, 2014.Bi G, Poo M. Synaptic modifications in cultured hippocampal neurons: dependence on spike timing, synaptic strength, and postsynaptic cell type[J]. Journal of Neuroscience, 1998, 18(24): 10464-10472.Schultz W, Dayan P, Montague P R. A neural substrate of prediction and reward[J]. Science, 1997, 275(5306): 1593-1599.Laughlin S B, Sejnowski T J. Communication in neuronal networks[J]. Science, 2003, 301(5641): 1870-1874.Merolla P A, Arthur J V, Alvarez-Icaza R, et al. A million spiking-neuron integrated circuit with a scalable communication network and interface[J]. Science, 2014, 345(6197): 668-673.McNaughton B L, O’Reilly R C. Why there are complementary learning systems in the hippocampus and neocortex: Insights from the successes and failures of[J]. Psychological Review, 1995, 102(3): 419-457.Mante V, Sussillo D, Shenoy K V, et al. Context-dependent computation by recurrent dynamics in prefrontal cortex[J]. nature, 2013, 503(7474): 78-84.Vieira S, Pinaya W H L, Mechelli A. Using deep learning to investigate the neuroimaging correlates of psychiatric and neurological disorders: Methods and applications[J]. Neuroscience & Biobehavioral Reviews, 2017, 74: 58-75.Shen G, Horikawa T, Majima K, et al. Deep image reconstruction from human brain activity[J]. PLoS computational biology, 2019, 15(1): e1006633.
从单个神经元的放电到全脑范围的意识涌现，理解智能的本质与演化始终是一个关于尺度的问题。更值得深思的是，无论是微观的突触可塑性、介观的皮层模块自组织，还是宏观的全局信息广播，不同尺度的动力学过程都在共同塑造着认知与意识。这说明，对心智的研究从最初就必须直面一个核心挑战：局部的神经活动如何整合为统一的体验？局域的网络连接又如何支撑灵活的智能行为？
继「神经动力学模型」与「计算神经科学」读书会后，集智俱乐部联合来自数学、物理学、生物学、神经科学和计算机的一线研究者共同发起「从神经动力学到意识：跨尺度计算、演化与涌现」读书会，跨越微观、介观与宏观的视角，探索意识与智能的跨尺度计算、演化与涌现。重点探讨物理规律与人工智能如何帮助我们认识神经动力学，以及神经活动跨尺度的计算与演化如何构建微观与宏观、结构与功能之间的桥梁。
推荐阅读
1. 通用人工智能的黎明：计算视角的意识理论综述
2. 意识智能体：大模型的下一个进化方向？——计算意识理论综述II
3. 赋能未来：生成式人工智能引领经济与金融研究新范式
4. 涌现动力学如何用来分析复杂系统？ | 新课上线
5. 集智学园精品课程免费开放，解锁系统科学与 AI 新世界
6. 高考分数只是张入场券，你的科研冒险在这里启航！
7. 重整化群与非线性物理，寻找复杂系统跨尺度的分析方法丨新课发布
点击“阅读原文”，报名课程
阅读原文
跳转微信打开
